cnk:codit - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.

====== Korpus CODIT ======

//Corpus diacronico dell’italiano// -- ‘Diachronní korpus italštiny’

{{ :en:cnk:codit-logo.png?direct&180|}}

CODIT je vyvážený diachronní korpus psané italštiny o celkové velikosti přibližně 33 mil. tokenů. Pokrývá celé období vývoje italštiny od 13. století do roku 1947. Struktura korpusu CODIT je analogická ke korpusu [[http://www.corpusmidia.unito.it/|MIDIA]] (//Morfologia Italiana in Diacronia//), který dosahuje velikosti 7,5 mil. tokenů. Korpus CODIT není prozatím anotován, v budoucnu však počítáme s doplněním morfologického značkování a lemmatizace.
Korpus je rozdělen do 5 hlavních částí podle období, které pokrývají. Periodizace vychází z korpusu MIDIA a je založena na důležitých historických a literárních událostech:

  - 13. století -- 1375: období končí Boccacciovou smrtí.
  - 1376 -- 1532: období humanismu a renesance; končí rokem 1532, kdy bylo publikováno třetí vydání //Zuřivého Rolanda// Ludovica Ariosta.
  - 1533 -- 1691: období manýrismu a baroka; končí rokem 1691, kdy Accademia della Crusca publikuje třetí vydání //Vocabolaria//.
  - 1692 -- 1840: období osvícenství a romantismu; končí rokem 1840, kdy bylo publikováno revidované vydání //Snoubenců// Alessandra Manzoniho. 
  - 1841 -- 1947: období sjednocování Itálie do konce druhé světové války; končí zveřejněním italské ústavy v roce 1947.

Každá část korpusu CODIT obsahuje 6 hlavních typů textu: eseje, prózu, poezii, dopisy, odborné texty a divadelní hry. Jedinou výjimkou je nejstarší období, v němž chybějí odborné texty. Všechny texty byly do korpusu zařazeny celé.
Každé období je pokryto přibližně 7 mil. tokenů (viz Tabulka 1), opět s výjimkou toho nejstaršího, které je menší (4,5 mil. tokenů) kvůli obtížné dostupnosti textů. Struktura korpusu rozděleného do pěti (téměř) srovnatelných částí umožňuje provádět empiricky založený diachronní výzkum italštiny.

^  ^  1  ^  2  ^  3  ^  4  ^  5  ^
^ espositivi|  1,769,404|  640,421|  2,108,827|  1,183,644|  1,316,872|
^ personali|  30,950|  1,219,559|  1,092,217|  1,766,867|  1,485,151|
^ poesia|  1,079,833|  1,895,432|  1,442,983|  974,229|  1,525,861|
^ prosa|  1,552,473|  1,762,005|  1,590,731|  1,705,824|  1,885,084|
^ scientifici|  0|  593,168|  716,098|  824,532|  742,856|
^ teatro|  79,213|  478,787|  545,645|  541,389|  546,750|
^ TOT|  4,511,873|  6,589,372|  7,496,501|  6,996,485|  7,502,574|

**Tabulka 1**: Velikost jednotlivých částí korpusu CODIT

===== Jak citovat CODIT =====

<WRAP round tip 70%>
Micheli, M. S.: //CODIT: Corpus diacronico dell’italiano//. Ústav Českého národního korpusu FF UK, Praha 2021. Dostupný z WWW: http://www.korpus.cz
</WRAP>

Historie: • skript2012-prepis • ukwac • net • kh-noviny • lemmatizace • syn2006pub • navigation • frwac • syn2005 • problemy_lemmatizace